代码改变世界

进阶正则表达式

2014-01-18 00:32 by Barret Lee, ... 阅读, ... 评论, 收藏, 编辑

关于正则表达式,网上可以搜到一大片文章,我之前也搜集了一些资料,并做了排版整理,可以看这篇文章http://www.cnblogs.com/hustskyking/archive/2013/06/04/RegExp.html,作为基础入门讲解,这篇文章说的十分到位。

记得最开始学习正则,是使用 php 做一个爬虫程序。为了获取指定的信息,必须用一定的方式把有规律的数据匹配出来,而正则是首选。下面是当时写的爬虫程序的一个代码片段:

$regdata = "/<font size=\"3\">((?<bf>[^<]*)<br \/>){0,1}⊙(?<bs>.{12})\S*\s/";

//获取页面
$html = file_get_contents('http://www.qnwz.cn/html/daodu/201107/282277.html');  
$html = iconv("GBK", "UTF-8", $html);
if ($html == '') { 
    die("<hr />出错:【错】无法打开《青年文摘》页面<hr />");
}

//匹配页面信息
preg_match_all($regdata, $html, $mdata);

print_r($mdata);

当时写代码还真是欢乐多,什么都不懂,什么都是新知识,学起来津津有味。我觉得学习知识一定要把握最基本的原理,先把一个知识的大概轮廓搞清楚,然后学习怎么去使用他,完了就是深入学习,了解底层基础实现。很多人解决问题都是靠经验,这个当然很重要,但如果我们弄懂了一项技术最底层的实现,完全可以靠自己的推断分析出问题的根源。我对一些公司的招聘要求特别不满,说什么要三年五年Javascript编程经验云云,经验当然和时间成正相关,但是对于那些没有三年五年工作经验却照样能够解决实际的人呢?算是小小的吐槽吧,下面进入正题。

本文地址:http://www.cnblogs.com/hustskyking/p/how-regular-expressions-work.html

一、正则表达式的工作机制

画了一个草图,简单的说明了下正则表达式的工作原理。

    +--------+
    |  编译  |
    +--------+
         |+----------------+
|  设置开始位置    |←---------+
+----------------+|                  |
         ↓               其 |
+----------------+       他 |
|  匹配 & 回溯    |       路 |
+----------------+       径 |
         |                  ||
+----------------+          |
|  成功 or 失败   |---------→+
+----------------+

你写的任何一个正则直接量或者 RegExp 都会被浏览器编译为一个原生代码程序,第一次匹配是从头个字符开始,匹配成功时,他会查看是否还有其他的路径没有匹配到,如果有的话,回退到上一次成功匹配的位置,然后重复第二步操作,不过此时开始匹配的位置(lastIndex)是上次成功位置加 1.这样说有点难以理解,下面写了一个 demo,这个 demo 就是实现一个正则表达式的解析引擎,因为逻辑和效果的表现都太复杂了,所以只做了一个简单的演示:

Reg:
/H(i|ello), barret/g

Str:
Lalala. Hi, barret. Hello, John

 

如果上面的 demo 跑不起来,请戳这里:

http://qianduannotes.duapp.com/demo/regexp/index.html

如果要深入了解正则表达式的内部原理,必须先理解匹配过程的一个基础环节——回溯,他是驱动正则的一个基本动力,也是性能消耗、计算消耗的根源。

二、回溯

正则表达式中出现最多的是分支和量词,上面的 demo 中可以很清楚的看到 hi 和 hello 这两个分支,当匹配到第一个字符 h 之后,进入 (i|ello) 的分支选择,首先是进入 i 分支,当 i 分支匹配完了之后,再回到分支选择的位置,重新选择分支。简单点说,分支就是 | 操作符带来的多项选择问题,而量词指的是诸如 *, +?, {m,n} 之类的符号,正则表达式必须决定何时尝试匹配更多的字符。下面结合回溯详细说说分支和量词。

1. 分支

继续分析上面那个案例。"Lalala. Hi, barret. Hello, John".match(/H(i|ello), barret/g),首先会查找 H 字符,在第九位找到 H 之后,正则子表达式提供了两个选择 (i|ello),程序会先拿到最左边的那个分支,进入分支后,在第十位匹配到了 i,接着匹配下一个字符,下一个字符是逗号,接着刚才的位置又匹配到了这个逗号,然后再匹配下一个,依次类推,直到完整匹配到整个正则的内容,此时程序会在Hi, barret后面做一个标记,表示在这里进行了一次成功的匹配。但程序到此并没有结束,因为后面加了一个全局参数,依然使用这个分支往后匹配,很显然,到了 Hello 的时候,Hi 分支匹配不了了,于是程序会回溯到刚才我们做标记的位置,并进入第二个分支,从做标记的位置重新开始匹配,依次循环。

只要正则表达式没有尝试完所有的可选项,他就会回溯到最近的决策点(也就是上次匹配成功的位置)。

2. 量词

量词这个概念特别简单,只是在匹配过程中有贪婪匹配和懒惰匹配两种模式,结合回溯的概念理解稍微复杂。还是用几个例子来说明。

1) 贪婪

str = "AB1111BA111BA";
reg = /AB[\s\S]+BA/;
console.log(str.match(reg));

首先是匹配AB,遇到了 [\s\S]+,这是贪婪模式的匹配,他会一口吞掉后面所有的字符,也就是如果 reg 的内容为 AB[\s\S]+,那后面的就不用看了,直接全部匹配,而往后看,正则后面还有B字符,所以他会先回溯到倒数第一个字符,匹配看是否为 B,显然倒数第一个字符不是B,于是他又接着回溯,找到了B字母,找到之后就不继续回溯了,而是往后继续匹配,此刻匹配的是字符A,程序发现紧跟B后的字母确实是A,那此时匹配就结束了。如果没有看明白,可以再读读下面这个图:

  REG: /AB[\s\S]+BA/
MATCH: A               匹配第一个字符
       AB              匹配第二个字符
       AB1111BA111BA   [\s\S]+ 贪婪吞并所有字符
       AB1111BA111BA   回溯,匹配字符B
       AB1111BA111B    找到字符B,继续匹配A
       AB1111BA111BA   找到字符A,匹配完成,停止匹配

2) 懒惰(非贪婪)

str = "AB1111BA111BA";
reg = /AB[\s\S]+?BA/;
console.log(str.match(reg));

与上面不同的是,reg 中多了一个 ? 号,此时的匹配模式为懒惰模式,也叫做非贪婪匹配。此时的匹配流程是,先匹配AB,遇到[\s\S]+?,程序尝试跳过并开始匹配后面的字符B,往后查看的时候,发现是数字1,不是要匹配的内容,继续往后匹配,知道遇到字符B,然后匹配A,发现紧接着B后面就有一个A,于是宣布匹配完成,停止程序。

  REG: /AB[\s\S]+BA/
MATCH: A               匹配第一个字符
       AB              匹配第二个字符
       AB              [\s\S]+? 非贪婪跳过并开始匹配B
       AB1             不是B,回溯,继续匹配
       AB11            不是B,回溯,继续匹配
       AB111           不是B,回溯,继续匹配
       AB1111          不是B,回溯,继续匹配
       AB1111B         找到字符B,继续匹配A
       AB1111BA        找到字符A,匹配完成,停止匹配

如果匹配的内容是 AB1111BA,那贪婪和非贪婪方式的正则是等价的,但是内部的匹配原理还是有区别的。为了高效运用正则,必须搞清楚使用正则时会遇到那些性能消耗问题。

三、逗比的程序

//去测试下这句代码
"TTTTTTTT".match(/(T+T+)+K/);
//然后把前面的T重复次数改成30
//P.S:小心风扇狂转,CPU暴涨

我们来分析下上面这段代码,上面使用的都是贪婪模式,那么他会这样做:

  REG: (T+T+)+K
MATCH: ①第一个T+匹配前7个T,第二个T+匹配最后一个T,没找到K,宣布失败,回溯到最开始位置
       ②第一个T+匹配前6个T,第二个T+匹配最后两个T,没找到K,宣布失败,回溯到最开始位置
       ③...
       ... 接着还会考虑(T+T+)+后面的 + 号,接着另一轮的尝试。
       ⑦...
       ...

这段程序并不会智能的去检测字符串中是否存在 K,如果匹配失败,他会选择其他的匹配方式(路径)去匹配,从而造成疯狂的回溯和重新匹配,结果可想而知。这是回溯失控的典型例子。

四、前瞻和反向引用

1. 前瞻和引用

前瞻有两种,一种是负向前瞻,JS中使用 (?!xxx) 来表示,他的作用是对后面要匹配的内容做一个预判断,如果后面的内容是xxx,则此段内容匹配失败,跳过去重新开始匹配。另一种是正向前瞻,(?=xxx),匹配方式和上面相反,还有一个长的类似的是 (?:xxx),这个是匹配xxx,他是非捕获性分组匹配,即匹配的内容不会创建反向引用。具体内容可以去文章开头提到的文档中查看。

反向引用,这个在 replace 中用的比较多,在 replace 中:

字符替换文本
$1、$2、...、$99 与 regexp 中的第 1 到第 99 个子表达式相匹配的文本。
$& 与 regexp 相匹配的子串。
$` 位于匹配子串左侧的文本。
$' 位于匹配子串右侧的文本。
$$ 直接量符号。

而在正则表达中,主要就是 \1, \2 之类的数字引用。前瞻和反向引用使用恰当可以大大的减少正则对资源的消耗。举个例子来简单说明下这几个东西:

问题:使用正则匹配过滤后缀名为 .css 和 .js 的文件。
      如:test.wow.js test.wow.css test.js.js等等。

有人会立马想到使用负向前瞻,即:

//过滤js文件
/(?!.+\.js$).*/.exec("test.wow.js")

//过滤js和css文件
/(?!.+\.js$|.+\.css$).*/.exec("test.wow.js")
/(?!.+\.js$|.+\.css$).*/.exec("test.wow.html")

但是你自己去测试下,拿到的结果是什么。匹配非js和非css文件可以拿到正确的文件名,但是我们期望这个表达式对js和css文件的匹配结果是null,上面的表达式却做不到。问题是什么,因为(?!xxx)和(?=xxx)都会消耗字符,在做预判断的时候把 .js 和 .css 给消耗了,所以这里我们必须使用非捕获模式。

/(?:(?!.+\.js$|.+\.css$).)*/.exec("test.wow.html");
/(?:(?!.+\.js$|.+\.css$).)*/.exec("test.wow.js");

我们来分析下这个正则:

(?:(?!.+\.js$|.+\.css$).)*
---   ----------------  -
 |                |     |   
 +----------------------+| 
非捕获,内部只有一个占位字符
                  |
                  ↓
    负向前瞻以.js和.css结尾的字符串

最后一个星号是贪婪匹配,直接吞掉全部字符。

这里讲的算是有点复杂了,不过在稍复杂的正则中,这些都是很基础的东西了,想在这方面提高的童鞋可以多研究下。

2. 原子组

JavaScript的正则算是比较弱的,他没有分组命名、递归、原子组等功能特别强的匹配模式,不过我们可以利用一些组合方式达到自己的目的。上面的例子中,我们实际上用正则实现了一个或和与的功能,上面的例子体现的还不是特别明显,再写个例子来展示下:

str1 = "我(wo)叫(jiao)李(li)靖(jing)";
str2 = "李(li)靖(jing)我(wo)叫(jiao)";
reg = /(?=.*?我)(?=.*?叫)(?=.*?李)(?=.*?靖)/;
console.log(reg.test(str1)); //true
console.log(reg.test(str2)); //true

不管怎么打乱顺序,只要string中包含“我”,“是”,“李”,“靖”这四个字,结果都是true。

类似(?=xxx)\1,就相当于一个原子组,原子组的作用就是消除回溯,只要是这种模式匹配过的地方,回溯时都不会到这里和他之前的地方。上面的程序"TTTTTTTT".match(/(T+T+)+K/);可以通过原子组的方式处理:

"TTTTTTTT".match(/(?=(T+T+))\2+K/);

如此便能彻底消除回溯失控问题。

五、小结

关于正则的学习,重点是要多练习多实践,并且多尝试用不同的方案去解决一个正则问题,一个很典型的例子,去除字符串首尾的空白,尝试用5-10种不同的正则去测试,并思考哪些方式的效率最高,为什么?通过这一连串的思考可以带动学习的兴趣,提高学习效率~

 

相关文章:玩转正则之Highlight代码高亮